임베디드 설계 노트 (2/6) — DI(Digital Input) 설계: 카운터 누적 디바운싱

-

산업 현장에서 250ms 디바운싱을 선택한 이유와 구현 전략

핵심 요약

  • 산업 현장의 DI는 스위치 바운싱뿐 아니라 전자기 노이즈까지 견뎌야 한다
  • delay() 방식 대신 카운터 누적 방식(Integrator-like Counter)을 적용해 노이즈 내성을 확보했다
  • 응답 속도(250ms)를 희생하더라도 오판정을 막는 것이 이 프로젝트의 최우선 과제였다

배경

임베디드 시스템에서 DI는 외부 접점 상태를 읽어오는 역할을 한다. 하지만 실제 환경에서는 스위치의 물리적 떨림(Bouncing)이나 전동기 구동으로 발생하는 전자기 노이즈가 신호에 섞인다.

이번 프로젝트의 설계 목표는 "어떤 노이즈 환경에서도 오판정을 하지 않는 신뢰성 확보"였다. 반응 속도가 다소 희생되더라도 시스템 오동작을 막는 것이 최우선이었다.

본문

하드웨어 구성

항목 사양 비고
포트 수 4 Port (DI1~DI4) -
입력 방식 무전압 접점 (Dry Contact) MCU 내부/외부 풀업 활용
스캔 주기 1ms 타이머 인터럽트 기반
보호 회로 포토커플러 또는 RC LPF HW 1차 노이즈 제거

디바운싱 로직: 카운터 누적 방식

일반적인 delay() 방식은 CPU 자원을 낭비하고 멀티태스킹 환경에 부적합하다. 본 설계에서는 카운터 누적 방식을 적용했다.

동작 원리: - 매 스캔 주기(1ms)마다 입력 핀 상태를 읽어 카운트 증감 - High 입력 시 카운터 증가 (최댓값 제한), Low 입력 시 카운터 감소 (최솟값 0) - 임계값 도달 시 상태 변경 (히스테리시스 적용)

기본 임계값은 250회. 1ms x 250 = 250ms 이상 지속되어야 실제 상태로 인정한다.

typedef struct {
    uint16_t counter;      // 누적 카운터
    uint8_t  state;        // 확정된 현재 상태 (0 or 1)
    uint16_t threshold;    // 임계값 (예: 250)
} DI_Channel_t;

void Process_DI_Scan(DI_Channel_t *di, bool raw_input) {
    if (raw_input == HIGH) {
        if (di->counter < di->threshold) di->counter++;
    } else {
        if (di->counter > 0) di->counter--;
    }

    // 히스테리시스 적용: 임계값 도달 시에만 상태 변경
    if (di->counter >= di->threshold) {
        di->state = HIGH;
    } else if (di->counter == 0) {
        di->state = LOW;
    }
}

시행착오 / 주의사항

왜 250ms인가? 산업용 공조기나 대형 밸브 제어 환경에서는 수 ms 단위의 빠른 응답보다 "한 번 결정된 상태가 변하지 않는 것"이 훨씬 중요하다. 릴레이 미세 떨림이나 인버터 노이즈로 알람이 오동작하면 시스템 전체가 셧다운될 수 있다.

장점: 순간적 스파이크 노이즈에 매우 강하다. 카운터 누적 중 노이즈가 끼면 카운트가 다시 깎이므로 필터링 성능이 뛰어나다.

단점: 물리적 입력과 논리적 인지 사이에 250~500ms의 지연이 발생한다 (High→Low, Low→High 전이 모두 고려 시).

마무리

DI 설계의 핵심은 현장 환경에 대한 이해에 있다. 실험실에서는 10ms 디바운싱으로 충분하지만, 수십 미터 케이블이 깔린 현장에서는 수백 ms 단위 필터링이 필요할 때가 많다. 이번 프로젝트에서는 소프트웨어 카운터 방식으로 하드웨어 수정 없이 노이즈 문제를 해결할 수 있었다.

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »